Beveik viskas, ką šiandien girdite apie dirbtinį intelektą, kyla iš gilaus mokymosi. Šios kategorijos algoritmai veikia su statistika, kad būtų galima rasti duomenų modelius, ir pasirodė esąs ypač galingi mėgdžiodami žmonių įgūdžius, tokius kaip mūsų sugebėjimas pamatyti ir girdėti. Labai siaurąja prasme tai netgi gali imituoti mūsų sugebėjimą pagrįsti. Šie algoritmai palaiko „Google“paiešką, „Facebook Newsfeed“, „Netflix“rekomendacijų variklį ir formuoja tokias pramonės šakas kaip sveikatos priežiūra ir švietimas.
- „Salik.biz“
Kaip vystosi gilus mokymasis
Nepaisant to, kad gilus mokymasis praktiškai iš vienos pusės atnešė dirbtinį intelektą visuomenei, tai yra tik maža akimirka istorinėje žmonijos užduotyje atkurti savo intelektą. Tai buvo šios paieškos priešakyje mažiau nei dešimtmetį. Jei atidedame visą šios srities istoriją, nesunku suprasti, kad netrukus ji taip pat gali išnykti.
Staigūs įvairių metodų pakilimai ir nuosmukiai jau seniai apibūdina AI tyrimus, sakė jis. Kiekvieną dešimtmetį buvo intensyviai konkuruojama tarp skirtingų idėjų. Tada laikas nuo laiko jungiklis paslysta ir visa bendruomenė pradeda daryti vieną dalyką.
Mūsų kolegos iš „MIT Technology Review“norėjo vizualizuoti šias bėdas ir pradžią. Šiuo tikslu jie kreipėsi į vieną didžiausių atvirų mokslinių darbų duomenų bazę, vadinamą „arXiv“. Jie atsisiuntė ištraukas iš 16 625 straipsnių, pasiekiamų AI skyriuje iki 2018 m. Lapkričio 18 d., Ir sekė bėgant metams minimus žodžius, kad pamatytų, kaip vystėsi laukas.
Atlikus jų analizę išryškėjo trys pagrindinės tendencijos: perėjimas prie mašininio mokymosi 90-ųjų pabaigoje ir 2000-ųjų pradžioje, nervinių tinklų populiarumo augimas, prasidėjęs 2010-ųjų pradžioje, ir mokymasis sustiprinti per pastaruosius kelerius metus.
Reklaminis vaizdo įrašas:
Bet pirmiausia keletas įspėjimų. Pirma, „arXiv“skyrius su AI datuojamas 1993 m., O terminas „dirbtinis intelektas“datuojamas 1950-aisiais, taigi pati duomenų bazė reprezentuoja tik paskutinius lauko istorijos skyrius. Antra, į duomenų bazę kasmet pridedami dokumentai sudaro tik mažą dalį darbo, kuris šiuo metu yra atliekamas šioje srityje. Tačiau „arXiv“yra puikus šaltinis norint nustatyti kai kurias pagrindines tyrimų tendencijas ir pamatyti karo vilkiką tarp skirtingų ideologinių stovyklų.
Mašinų mokymosi paradigma
Didžiausias poslinkis, kurį tyrėjai nustatė, buvo perėjimas nuo žiniomis pagrįstų sistemų link 2000-ųjų pradžios. Tokios kompiuterinės sistemos remiasi idėja, kad visas žmonių žinias įmanoma užkoduoti taisyklių sistemoje. Vietoj to, mokslininkai kreipėsi į mašininį mokymąsi, pirminę algoritmų kategoriją, apimančią gilųjį mokymąsi.
Tarp paminėtų 100 žodžių labiausiai sumažėjo tie, kurie siejami su žiniomis grįstomis sistemomis - „logika“, „suvaržymai“ir „taisyklė“. Labiausiai augo tie, kurie susiję su mašinų mokymusi - „duomenys“, „tinklas“, „našumas“.
Tokio oro pokyčio priežastis yra labai paprasta. Devintajame dešimtmetyje gerbėjų tarpe populiarėjo žiniomis pagrįstos sistemos, nes jaudulys kilo dėl ambicingų projektų, kuriais bandyta atkurti sveiku protu mašinose. Tačiau kai šie projektai išsiskyrė, tyrinėtojai susidūrė su dideliu iššūkiu: reikėjo koduoti per daug taisyklių, kad sistema padarytų ką nors naudingo. Tai padidino sąnaudas ir labai sulėtino vykstančius procesus.
Atsakymas į šią problemą yra mašininis mokymasis. Užuot reikalavęs, kad žmonės rankiniu būdu koduotų šimtus tūkstančių taisyklių, šis metodas programuoja mašinas automatiškai išgauti tas taisykles iš duomenų krūvos. Taip pat ši sritis nutolo nuo žiniomis pagrįstų sistemų ir pasuko prie mašininio mokymosi tobulinimo.
Neuroninių tinklų bumas
Pagal naująją mašininio mokymosi paradigmą perėjimas prie gilaus mokymosi neįvyko per naktį. Vietoj to, pagrindinių terminų analizė parodė, kad mokslininkai išbandė daugybę metodų, be neuroninių tinklų - pagrindinių gilaus mokymosi mechanizmų. Kiti populiarūs metodai buvo Bajeso tinklai, atraminių vektorių mašinos ir evoliucijos algoritmai, kurie visi naudoja skirtingus metodus duomenų modeliams surasti.
1990–2000 m. Tarp šių metodų buvo stipri konkurencija. Tuomet, 2012 m., Dramatiškas lūžis lėmė dar vieną orų pasikeitimą. Kasmetinių „ImageNet“konkursų metu, norėdami paspartinti kompiuterinio matymo progresą, tyrėjas, vardu Jeffrey Hintonas, kartu su savo kolegomis Toronto universitete pasiekė geriausią vaizdo atpažinimo tikslumą su šiek tiek daugiau nei 10% paklaida.
Jo naudojama gilaus mokymosi technika sukėlė naują tyrimų bangą, pirmiausia vizualizacijos bendruomenėje ir paskui. Kai vis daugiau mokslininkų pradėjo jį naudoti siekdami įspūdingų rezultatų, šios technikos populiarumas kartu su neuroninių tinklų populiarumu smarkiai išaugo.
Mokymasis stiprinti
Analizė parodė, kad praėjus keleriems metams nuo gilaus mokymosi įkarščio, AI tyrimuose įvyko trečiasis ir paskutinis poslinkis.
Be įvairių mašininio mokymosi metodų, yra ir trys skirtingi tipai: prižiūrimas mokymasis, neprižiūrimas mokymasis ir sustiprinamasis mokymasis. Šiuo metu dažniausiai naudojamas prižiūrimas mokymasis, apimantis pažymėtų duomenų pateikimą mašinai. Šiuo metu jis yra praktiškiausias. Tačiau per pastaruosius kelerius metus sustiprėjęs mokymasis, imituojantis gyvūnų mokymosi procesą per morkas ir lazdeles, bausmes ir atlygį, paskatino greitai atkreipti dėmesį į darbus.
Pati idėja nėra nauja, tačiau ji neveikė daugelį dešimtmečių. „Prižiūrimi mokymosi specialistai juokėsi iš papildomo mokymosi specialistų“, - sako Domingos. Bet, kaip ir giluminio mokymosi metu, vienas posūkis staiga iškėlė metodą į svarbą.
Ši akimirka atėjo 2015 m. Spalio mėn., Kai „DeepMind“žaidime „AlphaGo“, treniruodamasi pastiprinimo, nugalėjo pasaulio čempioną senoviniame „go“žaidime. Poveikis tyrimų bendruomenei buvo neatidėliotinas.
Kiti dešimt metų
MIT technologijos apžvalgoje pateikiamas tik naujausias AI tyrimams būdingų idėjų konkurencijos vaizdas. Tačiau tai iliustruoja žvalgybos duomenų dubliavimo siekimo nenuoseklumą. „Svarbu suprasti, kad niekas nežino, kaip išspręsti šią problemą“, - sako Domingos.
Daugelis metodų, kurie buvo naudojami 25 metus, atsirado maždaug tuo pačiu metu šeštajame dešimtmetyje ir nesugebėjo atitikti kiekvieno dešimtmečio iššūkių ir sėkmės. Pvz., Neuroniniai tinklai pasiekė kulminaciją 60-aisiais ir šiek tiek 80-aisiais, tačiau beveik mirė prieš tai atgavę savo populiarumą dėl gilaus mokymosi.
Kitaip tariant, kiekvienas dešimtmetis pastebėjo skirtingos technikos dominavimą: nerviniai tinklai 50–60-ųjų pabaigoje, įvairūs simboliniai bandymai aštuntajame dešimtmetyje, žiniomis grįstos sistemos 80-aisiais, Bajeso tinklai devyniasdešimtaisiais, referenciniai vektoriai nulis ir neuroniniai tinklai vėl 2010 m.
„Domingo“teigimu, 2020-ieji nebus kitokie. Tai reiškia, kad gilaus mokymosi era netrukus gali baigtis. Bet kas nutiks toliau - sena technika naujoje šlovėje ar visiškai nauja paradigma - tai yra nuožmių visuomenės ginčų tema.
Ilja Khel